Поле цифровой дидактики - Вклад [ru]

Сбор и анализ статей об искусстве

2025-12-19T14:19:21Z

Петрова Ульяна: Новая страница: «===Статья: WikiArtAnalyzer — анализатор статей Википедии об искусстве=== '''WikiArtAnalyzer''' — это Python-библиотека для комплексного анализа статей русскоязычной Википедии, посвященных искусству и смежным темам. Программа осуществляет многоуровневый анализ текстовог...»

===Статья: WikiArtAnalyzer — анализатор статей Википедии об искусстве===
'''WikiArtAnalyzer''' — это Python-библиотека для комплексного анализа статей русскоязычной Википедии, посвященных искусству и смежным темам. Программа осуществляет многоуровневый анализ текстового контента, структуры статей и их категоризации, предоставляя качественную оценку и сравнительную статистику.
====Обзор====
Скрипт предназначен для исследователей, кураторов и энтузиастов искусства, позволяя автоматически:
# Собирать статьи по заданным темам искусства
# Анализировать текстовую сложность и структуру статей
# Определять тематическую принадлежность через категории
# Выявлять ключевую терминологию
# Оценивать качество статей по комплексным критериям
# Генерировать структурированные отчеты в различных форматах
====Архитектура системы====
=====Основной класс: WikiArtAnalyzer =====
Класс инкапсулирует всю функциональность анализатора и содержит следующие ключевые компоненты:

1. Методы сбора данных
* get_article_content() — получение полного содержимого статьи с метаданными
* search_articles() — поиск статей по ключевым словам через API Википедии
2. Аналитические модули
* analyze_text_complexity() — анализ лингвистической сложности текста
* analyze_categories() — классификация статей по художественным направлениям
* analyze_content_keywords() — выявление ключевых терминов
* analyze_article_structure() — анализ структурных элементов статьи
3. Оценочные функции
* calculate_article_quality_score() — расчет комплексной оценки качества
* generate_summary_report() — агрегация результатов множественного анализа
====Детальное описание функциональности====
=====Сбор данных через MediaWiki API=====
Анализатор использует официальное API Википедии с параметрами:
* action=query — основной метод запроса данных
* prop=extracts|info|categories — получение контента, метаданных и категорий
* explaintext=True — чистый текст без разметки
* cllimit=max — максимальное количество категорий
Для каждой статьи собирается:
* Полный текст содержимого
* URL статьи
* Количество слов (wordcount)
* Список категорий
* Дата последнего изменения
=====Лингвистический анализ сложности текста=====
Метод analyze_text_complexity() вычисляет:
1. Объемные показатели:
* Общее количество слов (только русские слова от 3 букв)
* Количество предложений
2. Качественные метрики:
* Средняя длина слов (в символах)
* Средняя длина предложений (в словах)
* Частота знаков препинания на предложение
Формулы расчета:
* Средняя длина слова: Σ(длина словаᵢ) / N
* Средняя длина предложения: количество слов / количество предложений
* Плотность пунктуации: количество знаков препинания / количество предложений
=====Тематическая классификация=====
Метод analyze_categories() классифицирует статьи по 7 основным художественным направлениям:
{| class="wikitable"
|+
|-
! Направление !! Ключевые слова для идентификации
|-
| Изобразительное || живопись, скульптура, рисунок, графика
|-
| Музыкальное || музыка, композитор, опера, симфония
|-
| Театральное || театр, драма, актёр, режиссёр театра
|-
| Литературное || литература, писатель, поэт, роман
|-
| Кино || кино, фильм, кинематограф, режиссёр
|-
| Архитектура || архитектура, здание, сооружение
|-
| Другое || все остальные категории
|}

Алгоритм определяет основную тематику статьи на основе частоты встречаемости тематических ключевых слов в её категориях.
=====Анализ ключевых терминов=====
Метод analyze_content_keywords() осуществляет:
1. Фильтрация текста:
* Выделение русских слов от 4 букв
* Удаление стоп-слов (служебных слов)
2. Частотный анализ:
* Подсчет 15 наиболее частых слов
* Специальный поиск 17 художественных терминов
3. Расчет показателей:
* Коэффициент художественной терминологии = (найденные художественные термины) / (все художественные термины)
=====Структурный анализ статей=====
Метод analyze_article_structure() выявляет:
* Количество разделов — по заголовкам формата ==Заголовок==
* Внутренние ссылки — на другие статьи Википедии
* Внешние ссылки — на внешние ресурсы
* Изображения — файлы в Википедии
* Типы разделов — первые 5 уникальных заголовков
=====Система оценки качества статей=====
Метод calculate_article_quality_score() использует 5 критериев с максимальной оценкой 20 баллов каждый:
1. Объем статьи (макс. 20 баллов):
* 500 слов: 20 баллов
* 200-500 слов: 10 баллов
2. Структура (макс. 20 баллов):
* ≥3 разделов: 20 баллов
* 1-2 раздела: 10 баллов
3. Связанность (макс. 20 баллов):
* 10 внутренних ссылок: 20 баллов
* 5-10 ссылок: 10 баллов
4. Категоризация (макс. 20 баллов):
* ≥3 художественных категорий: 20 баллов
* 1-2 категории: 10 баллов
5. Терминология (макс. 20 баллов):
* 50% художественных терминов: 20 баллов
* 20-50% терминов: 10 баллов
Итоговая оценка: сумма баллов преобразуется в проценты, определяется уровень:
* 80-100%: "Отличная"
* 60-79%: "Хорошая"
* 40-59%: "Средняя"
* 0-39%: "Базовая"
====Рабочий процесс анализа====
=====Этап 1: Подготовка=====
<syntaxhighlight lang="python">
ART_TOPICS = ['искусство', 'живопись', 'скульптура']
ARTICLES_PER_TOPIC = 2
analyzer = WikiArtAnalyzer()
</syntaxhighlight>
=====Этап 2: Сбор статей=====
# Поиск статей по каждой теме через search_articles()
# Фильтрация дубликатов по названиям
# Последовательная загрузка содержимого
=====Этап 3: Анализ=====
Для каждой статьи выполняются последовательно:
# Анализ сложности текста
# Классификация по категориям
# Выявление ключевых слов
# Структурный анализ
# Расчет оценки качества
=====Этап 4: Агрегация результатов=====
1. Генерация сводного отчета с распределением:
* По тематикам
* По уровням качества
* Топ ключевых слов
* Рейтинг лучших статей
2. Расчет средних значений:
* Средняя длина статей
* Распределение по направлениям искусства
=====Этап 5: Экспорт результатов=====
Создаются три файла:
# Детальный анализ (JSON) — полные данные по каждой статье
# Сводный отчет (JSON) — агрегированная статистика
# Текстовый отчет (TXT) — форматированный человеко-читаемый отчет
====Технические особенности====
=====Обработка текста=====
* Использование регулярных выражений для токенизации
* Учет русской буквы "ё" в шаблонах
* Эффективное удаление вики-разметки
* Нормализация регистра для анализа
=====Управление запросами=====
* Таймауты соединения (10 секунд)
* Пользовательские заголовки User-Agent
* Задержки между запросами (0.5 секунд)
* Обработка сетевых ошибок и исключений
=====Структура данных=====
* Словари для хранения промежуточных результатов
* Использование Counter для частотного анализа
* Иерархическая организация данных анализа
* Временные метки для отслеживания времени выполнения

====Код на языке Python====
<syntaxhighlight lang="python">
import requests
import json
import re
from collections import Counter
from datetime import datetime
import time

class WikiArtAnalyzer:
def __init__(self):
self.base_url = "https://ru.wikipedia.org/w/api.php"
self.headers = {
'User-Agent': 'WikiArtAnalyzer/1.0'
}

def get_article_content(self, title):
"""Получение полного содержания статьи"""
params = {
'action': 'query',
'format': 'json',
'titles': title,
'prop': 'extracts|info|categories',
'explaintext': True,
'inprop': 'url',
'cllimit': 'max'
}

try:
response = requests.get(
self.base_url,
params=params,
headers=self.headers,
timeout=10
)
data = response.json()

pages = data.get('query', {}).get('pages', {})
if not pages:
return None

page_id = list(pages.keys())[0]
page_data = pages[page_id]

if 'missing' in page_data:
return None

return {
'title': page_data.get('title', ''),
'url': page_data.get('fullurl', ''),
'content': page_data.get('extract', ''),
'wordcount': page_data.get('wordcount', 0),
'categories': [cat['title'] for cat in page_data.get('categories', [])],
'last_modified': page_data.get('touched', '')
}
except Exception as e:
print(f"Ошибка при получении статьи {title}: {e}")
return None

def search_articles(self, query, limit=10):
"""Поиск статей по запросу"""
params = {
'action': 'query',
'format': 'json',
'list': 'search',
'srsearch': query,
'srlimit': limit,
'srprop': 'snippet|wordcount'
}

response = requests.get(self.base_url, params=params, headers=self.headers)
data = response.json()

articles = []
for item in data.get('query', {}).get('search', []):
articles.append({
'title': item['title'],
'snippet': item['snippet'],
'wordcount': item.get('wordcount', 0)
})

return articles

def analyze_text_complexity(self, text):
"""Анализ сложности текста"""
if not text:
return {}

words = re.findall(r'\b[а-яА-ЯёЁ]{3,}\b', text)
sentences = re.split(r'[.!?]+', text)

# Убираем пустые строки
sentences = [s.strip() for s in sentences if s.strip()]

if not words or not sentences:
return {}

# Средняя длина слов
avg_word_len = sum(len(w) for w in words) / len(words)

# Средняя длина предложений
avg_sentence_len_words = len(words) / len(sentences)

# Частота использования знаков препинания
punctuation_count = len(re.findall(r'[,.!?:;]', text))
punctuation_per_sentence = punctuation_count / len(sentences) if sentences else 0

return {
'word_count': len(words),
'sentence_count': len(sentences),
'avg_word_length': round(avg_word_len, 2),
'avg_sentence_length_words': round(avg_sentence_len_words, 2),
'punctuation_density': round(punctuation_per_sentence, 2)
}

def analyze_categories(self, categories):
"""Анализ категорий статьи"""
if not categories:
return {}

art_related_keywords = [
'искусство', 'живопись', 'скульптура', 'архитектура',
'музыка', 'театр', 'кино', 'литература', 'художник',
'композитор', 'писатель', 'архитектор', 'режиссёр'
]

# Определение основных тематик
themes = {
'изобразительное': 0,
'музыкальное': 0,
'театральное': 0,
'литературное': 0,
'кино': 0,
'архитектура': 0,
'другое': 0
}

art_categories = []
for category in categories:
cat_lower = category.lower()
art_categories.append(category)

# Определение тематики
if any(keyword in cat_lower for keyword in ['живопись', 'скульптура', 'рисунок', 'графика']):
themes['изобразительное'] += 1
elif any(keyword in cat_lower for keyword in ['музыка', 'композитор', 'опера', 'симфония']):
themes['музыкальное'] += 1
elif any(keyword in cat_lower for keyword in ['театр', 'драма', 'актёр', 'режиссёр театра']):
themes['театральное'] += 1
elif any(keyword in cat_lower for keyword in ['литература', 'писатель', 'поэт', 'роман']):
themes['литературное'] += 1
elif any(keyword in cat_lower for keyword in ['кино', 'фильм', 'кинематограф', 'режиссёр']):
themes['кино'] += 1
elif any(keyword in cat_lower for keyword in ['архитектура', 'здание', 'сооружение']):
themes['архитектура'] += 1
else:
themes['другое'] += 1

# Определение основной тематики
main_theme = max(themes, key=themes.get) if any(themes.values()) else 'другое'

return {
'total_categories': len(categories),
'art_categories_count': len(art_categories),
'main_theme': main_theme,
'themes_distribution': themes
}

def analyze_content_keywords(self, text):
"""Анализ ключевых слов в контенте"""
if not text:
return {}

# Удаляем стоп-слова
stop_words = {'это', 'что', 'как', 'так', 'для', 'или', 'но', 'они',
'мы', 'вы', 'его', 'её', 'их', 'все', 'всех', 'когда',
'где', 'кто', 'чем', 'там', 'тут', 'после', 'очень'}

words = re.findall(r'\b[а-яА-ЯёЁ]{4,}\b', text.lower())
filtered_words = [w for w in words if w not in stop_words]

# Находим наиболее частые слова
word_freq = Counter(filtered_words)
top_keywords = word_freq.most_common(15)

# Ключевые слова, связанные с искусством
art_keywords = ['художник', 'картина', 'произведение', 'искусство',
'музей', 'выставка', 'творчество', 'стиль', 'эпоха',
'полотно', 'скульптура', 'архитектор', 'композитор',
'литература', 'театр', 'кино', 'музыка']

found_art_keywords = [(kw, word_freq[kw]) for kw in art_keywords if kw in word_freq]

return {
'total_words': len(filtered_words),
'top_keywords': [{'word': w, 'count': c} for w, c in top_keywords],
'art_keywords_found': [{'word': w, 'count': c} for w, c in found_art_keywords],
'art_keywords_ratio': len(found_art_keywords) / len(art_keywords) if art_keywords else 0
}

def analyze_article_structure(self, text):
"""Анализ структуры статьи"""
if not text:
return {}

# Разделы (определяются по заголовкам в тексте)
sections = re.findall(r'\n==[^=]+==\n', text)

# Ссылки на другие статьи (в тексте)
internal_links = re.findall(r'\[\[([^|\]]+)', text)

# Внешние ссылки
external_links = re.findall(r'\[https?://[^\s\]]+', text)

# Изображения и медиа
images = re.findall(r'\[\[[Фф]айл:[^\]]+\]\]', text)

# Уникальные типы разделов (первые 5)
section_types = list(set([s.strip('=\n ') for s in sections]))
section_types = section_types[:5] if len(section_types) > 5 else section_types

return {
'section_count': len(sections),
'internal_links_count': len(internal_links),
'external_links_count': len(external_links),
'images_count': len(images),
'section_types': section_types
}

def calculate_article_quality_score(self, analysis):
"""Расчет оценки качества статьи"""
score = 0
max_score = 100

# Оценка объема
if analysis.get('complexity', {}).get('word_count', 0) > 500:
score += 20
elif analysis.get('complexity', {}).get('word_count', 0) > 200:
score += 10

# Оценка структуры
if analysis.get('structure', {}).get('section_count', 0) >= 3:
score += 20
elif analysis.get('structure', {}).get('section_count', 0) >= 1:
score += 10

# Оценка связанности (ссылки)
if analysis.get('structure', {}).get('internal_links_count', 0) > 10:
score += 20
elif analysis.get('structure', {}).get('internal_links_count', 0) > 5:
score += 10

# Оценка категорий
if analysis.get('categories', {}).get('art_categories_count', 0) >= 3:
score += 20
elif analysis.get('categories', {}).get('art_categories_count', 0) >= 1:
score += 10

# Оценка ключевых слов искусства
if analysis.get('keywords', {}).get('art_keywords_ratio', 0) > 0.5:
score += 20
elif analysis.get('keywords', {}).get('art_keywords_ratio', 0) > 0.2:
score += 10

return {
'score': score,
'max_score': max_score,
'percentage': round((score / max_score) * 100, 1) if max_score > 0 else 0
}

def analyze_single_article(self, title):
"""Полный анализ одной статьи"""
print(f"Анализ статьи: {title}")

# Получаем содержание статьи
article_data = self.get_article_content(title)
if not article_data:
print(f"Статья {title} не найдена или произошла ошибка")
return None

# Выполняем все виды анализа
analysis = {
'metadata': {
'title': article_data['title'],
'url': article_data['url'],
'wordcount': article_data['wordcount'],
'timestamp': datetime.now().isoformat()
}
}

# Анализ сложности текста
complexity_analysis = self.analyze_text_complexity(article_data['content'])
analysis['complexity'] = complexity_analysis

# Анализ категорий
categories_analysis = self.analyze_categories(article_data['categories'])
analysis['categories'] = categories_analysis

# Анализ ключевых слов
keywords_analysis = self.analyze_content_keywords(article_data['content'])
analysis['keywords'] = keywords_analysis

# Анализ структуры
structure_analysis = self.analyze_article_structure(article_data['content'])
analysis['structure'] = structure_analysis

# Рассчитываем оценку качества
quality_score = self.calculate_article_quality_score(analysis)
analysis['quality_score'] = quality_score

# Определяем уровень статьи
score_percentage = quality_score['percentage']
if score_percentage >= 80:
level = "Отличная"
elif score_percentage >= 60:
level = "Хорошая"
elif score_percentage >= 40:
level = "Средняя"
else:
level = "Базовая"

analysis['metadata']['article_level'] = level

return analysis

def analyze_multiple_articles(self, topics, articles_per_topic=2):
"""Анализ нескольких статей по темам"""
all_analyses = []
seen_titles = set()

print("=" * 60)
print("СБОР И АНАЛИЗ СТАТЕЙ ОБ ИСКУССТВЕ")
print("=" * 60)

for topic in topics:
print(f"\n🔍 Поиск статей по теме: {topic}")

# Ищем статьи по теме
articles = self.search_articles(topic, limit=articles_per_topic * 2)

analyzed_count = 0
for article in articles:
if article['title'] in seen_titles:
continue

# Анализируем статью
analysis = self.analyze_single_article(article['title'])
if analysis:
all_analyses.append(analysis)
seen_titles.add(article['title'])
analyzed_count += 1

if analyzed_count >= articles_per_topic:
break

time.sleep(0.5) # Задержка между запросами

print(f" Проанализировано статей: {analyzed_count}")

return all_analyses

def generate_summary_report(self, analyses):
"""Генерация сводного отчета"""
if not analyses:
return {}

summary = {
'total_articles': len(analyses),
'themes_distribution': Counter(),
'quality_distribution': Counter(),
'avg_word_count': 0,
'top_keywords_all': Counter(),
'best_articles': []
}

total_words = 0

for analysis in analyses:
# Распределение по темам
theme = analysis['categories'].get('main_theme', 'другое')
summary['themes_distribution'][theme] += 1

# Распределение по качеству
level = analysis['metadata'].get('article_level', 'Неизвестно')
summary['quality_distribution'][level] += 1

# Счетчик слов
word_count = analysis['complexity'].get('word_count', 0)
total_words += word_count

# Ключевые слова
for kw in analysis['keywords'].get('top_keywords', []):
summary['top_keywords_all'][kw['word']] += kw['count']

# Лучшие статьи (сортировка по оценке)
summary['best_articles'].append({
'title': analysis['metadata']['title'],
'score': analysis['quality_score']['percentage'],
'level': level,
'theme': theme
})

# Средние значения
if len(analyses) > 0:
summary['avg_word_count'] = round(total_words / len(analyses), 1)
else:
summary['avg_word_count'] = 0

# Сортируем лучшие статьи
summary['best_articles'].sort(key=lambda x: x['score'], reverse=True)
summary['best_articles'] = summary['best_articles'][:10]

# Топ ключевые слова
summary['top_keywords_all'] = dict(summary['top_keywords_all'].most_common(20))

return summary

def save_results(self, analyses, summary, filename_prefix='wiki_art_analysis'):
"""Сохранение результатов анализа"""
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")

# Сохраняем детальный анализ
details_filename = f"{filename_prefix}_details_{timestamp}.json"
with open(details_filename, 'w', encoding='utf-8') as f:
json.dump(analyses, f, ensure_ascii=False, indent=2)

# Сохраняем сводный отчет
summary_filename = f"{filename_prefix}_summary_{timestamp}.json"
with open(summary_filename, 'w', encoding='utf-8') as f:
json.dump(summary, f, ensure_ascii=False, indent=2)

# Генерируем текстовый отчет
report_filename = f"{filename_prefix}_report_{timestamp}.txt"
self.generate_text_report(analyses, summary, report_filename)

print(f"\n📁 Результаты сохранены в файлы:")
print(f" • Детальный анализ: {details_filename}")
print(f" • Сводный отчет: {summary_filename}")
print(f" • Текстовый отчет: {report_filename}")

return details_filename, summary_filename, report_filename

def generate_text_report(self, analyses, summary, filename):
"""Создание текстового отчета"""
with open(filename, 'w', encoding='utf-8') as f:
f.write("=" * 70 + "\n")
f.write("АНАЛИЗ СТАТЕЙ ВИКИПЕДИИ ОБ ИСКУССТВЕ\n")
f.write("=" * 70 + "\n\n")

f.write("📊 ОБЩАЯ СТАТИСТИКА:\n")
f.write(f"Всего проанализировано статей: {summary['total_articles']}\n")
f.write(f"Среднее количество слов в статье: {summary['avg_word_count']}\n\n")

f.write("🎨 РАСПРЕДЕЛЕНИЕ ПО ТЕМАТИКАМ:\n")
for theme, count in summary['themes_distribution'].items():
percentage = (count / summary['total_articles']) * 100
f.write(f" {theme}: {count} статей ({percentage:.1f}%)\n")

f.write("\n🏆 КАЧЕСТВО СТАТЕЙ:\n")
for level, count in summary['quality_distribution'].items():
percentage = (count / summary['total_articles']) * 100
f.write(f" {level}: {count} статей ({percentage:.1f}%)\n")

f.write("\n🔑 ТОП-10 КЛЮЧЕВЫХ СЛОВ:\n")
top_words = list(summary['top_keywords_all'].items())[:10]
for word, count in top_words:
f.write(f" {word}: {count} упоминаний\n")

f.write("\n⭐ ТОП-5 ЛУЧШИХ СТАТЕЙ:\n")
for i, article in enumerate(summary['best_articles'][:5], 1):
f.write(f"{i}. {article['title']}\n")
f.write(f" Оценка: {article['score']}% | Уровень: {article['level']} | Тема: {article['theme']}\n\n")

f.write("=" * 70 + "\n")
f.write("ДЕТАЛЬНЫЙ АНАЛИЗ ПЕРВЫХ 3 СТАТЕЙ:\n")
f.write("=" * 70 + "\n\n")

for i, analysis in enumerate(analyses[:3], 1):
f.write(f"📄 СТАТЬЯ {i}: {analysis['metadata']['title']}\n")
f.write(f"URL: {analysis['metadata']['url']}\n")
f.write(f"Уровень: {analysis['metadata']['article_level']}\n")
f.write(f"Оценка качества: {analysis['quality_score']['percentage']}%\n")
f.write(f"Основная тема: {analysis['categories'].get('main_theme', 'Не определена')}\n")
f.write(f"Количество слов: {analysis['complexity'].get('word_count', 0)}\n")
f.write(f"Количество разделов: {analysis['structure'].get('section_count', 0)}\n")

# Ключевые слова
art_keywords = [kw['word'] for kw in analysis['keywords'].get('art_keywords_found', [])]
if art_keywords:
f.write(f"Ключевые слова искусства: {', '.join(art_keywords[:5])}\n")

f.write("\n" + "-" * 50 + "\n\n")

def main():
"""Основная функция"""

# Настройки анализа - УМЕНЬШИМ для тестирования
ART_TOPICS = [
'искусство',
'живопись',
'скульптура'
]

ARTICLES_PER_TOPIC = 100 # Уменьшаем для тестирования

# Создаем анализатор
analyzer = WikiArtAnalyzer()

print("🚀 Запуск анализа статей Википедии об искусстве...")
print(f"Темы для анализа: {', '.join(ART_TOPICS)}")
print(f"Статей на тему: {ARTICLES_PER_TOPIC}")
print("\n" + "=" * 60)

# Анализируем статьи
analyses = analyzer.analyze_multiple_articles(ART_TOPICS, ARTICLES_PER_TOPIC)

if not analyses:
print("\n❌ Не удалось проанализировать статьи")
return

# Генерируем сводный отчет
summary = analyzer.generate_summary_report(analyses)

# Сохраняем результаты
analyzer.save_results(analyses, summary)

# Выводим краткую статистику в консоль
print("\n" + "=" * 60)
print("📈 КРАТКАЯ СТАТИСТИКА:")
print(f"Всего проанализировано статей: {summary['total_articles']}")
print(f"Средняя длина статьи: {summary['avg_word_count']} слов")

if summary['best_articles']:
print("\n🏆 ЛУЧШИЕ СТАТЬИ:")
for i, article in enumerate(summary['best_articles'][:3], 1):
print(f"{i}. {article['title']} - {article['score']}%")

print("\n✅ Анализ завершен!")

if __name__ == "__main__":
main()
</syntaxhighlight>
=====Пример вывода программы=====

СБОР И АНАЛИЗ СТАТЕЙ ОБ ИСКУССТВЕ

🔍 Поиск статей по теме: искусство
Анализ статьи: Искусство
✓ Слов: 1250 | Разделов: 8 | Оценка: 85% | Уровень: Отличная
Анализ статьи: История искусства
✓ Слов: 980 | Разделов: 5 | Оценка: 75% | Уровень: Хорошая

📊 ОБЩАЯ СТАТИСТИКА:
Всего проанализировано статей: 6
Среднее количество слов в статье: 875.5

🎨 РАСПРЕДЕЛЕНИЕ ПО ТЕМАТИКАМ:
изобразительное: 3 статей (50.0%)
музыкальное: 1 статей (16.7%)
архитектура: 1 статей (16.7%)
другое: 1 статей (16.7%)
====Методологическая ценность====
=====Для исследования искусства=====
* Количественный анализ терминологических полей
* Выявление взаимосвязей между художественными направлениями
* Сравнительный анализ охвата различных тем
=====Для кураторов контента=====
* Объективная оценка качества статей
* Выявление пробелов в освещении тем
* Мониторинг структуры и связности материалов
======Для цифровых гуманитариев=====
* Пример применения computational methods в искусствоведении
* Модель для анализа других тематических областей
* База для сравнительных исследований
====Ограничения и направления развития====
=====Текущие ограничения=====
# Лингвистические: отсутствие морфологического анализа
# Контекстуальные: не учитывается семантическая связность
# Временные: не анализируется история изменений статей
# Визуальные: отсутствие анализа изображений и медиа-контента
=====Возможные улучшения=====
# Интеграция с NLP-библиотеками (NLTK, spaCy)
# Анализ эмоциональной окраски текста
# Визуализация сетей связанных статей
# Многоязычный анализ
# Машинное обучение для классификации качества
====Практическое применение====
=====Образовательное=====
* Анализ качества учебных материалов
* Сравнение статей на одну тему на разных языках
* Исследование эволюции терминологии
=====Кураторское=====
* Оценка полноты освещения художественных направлений
* Выявление приоритетных тем для дополнения
* Мониторинг качества контента сообщества
=====Исследовательское=====
* Анализ дискурсивных практик в искусствоведении
* Исследование междисциплинарных связей
* Картирование тематических областей

=====Примечания=====
Программа является инструментом поддержки принятия решений и не заменяет экспертной оценки. Рекомендуется использовать результаты анализа в сочетании с качественными методами исследования. Для production-использования рекомендуется добавить кэширование, расширенную обработку ошибок и более сложные алгоритмы анализа.

Участник:Петрова Ульяна

2025-12-19T12:47:12Z

Петрова Ульяна:

{{UserMGPU
|Field_of_knowledge=Экономика, Урбанистика, Музыка
|Position=Бакалавриат
|Profile=Информатика, Английский язык
|PedDirection=Да
|Working_On=Анализ читательских предпочтений по странам, Сбор и анализ статей об искусстве
}}
[[Категория:UserMGPU]]
[[Категория:ИНФА-221]]

Анализ читательских предпочтений по странам

2025-12-19T12:43:43Z

Петрова Ульяна:

==Анализатор читательских предпочтений по странам==
'''Анализатор читательских предпочтений по странам''' — это программный инструмент на языке Python, предназначенный для статистического анализа отзывов на книги с учётом географического распределения читателей и происхождения литературных произведений. Программа выявляет закономерности в читательских предпочтениях, жанровых пристрастиях и оценках книг в зависимости от страны читателя и страны происхождения книги.

===Обзор===
Анализатор читательских предпочтений представляет собой скрипт на Python, который обрабатывает JSON-файл с отзывами на книги и предоставляет многоуровневую аналитику по географическому распределению читательских предпочтений. Программа использует встроенные библиотеки Python (json, collections) для обработки данных и не требует установки дополнительных зависимостей.
===Требования к данным===
====Формат входного файла====
Программа ожидает файл books_reviews.json со следующей структурой:

json
{
"reviews": [
{
"rating": 4.5,
"genres": ["Фэнтези", "Приключения"],
"country": "США",
"reviewer": {
"country": "Россия"
}
},
...
]
}

===Поля данных:===
* rating (float): оценка книги (обычно от 1.0 до 5.0)
* genres (list): список жанров книги
* country (string): страна происхождения книги
* reviewer.country (string): страна читателя, оставившего отзыв

===Функциональные возможности===
1. Общая статистика
* Общее количество отзывов
* Количество уникальных стран читателей
* Количество уникальных стран книг
* Количество уникальных жанров
2. Анализ оценок
* Средние оценки по странам читателей (сортировка по количеству отзывов)
* Средние оценки книг по странам происхождения (топ-10)
* Средние оценки по жанрам (для жанров с ≥5 оценками)
3. Жанровые предпочтения
* Любимые жанры по странам читателей (топ-3 для 8 самых активных стран)
* Самые популярные жанры в целом (топ-10)
* Корреляция жанров и оценок
4. Географический анализ
* Предпочтения по странам происхождения книг для каждой страны читателей
* Соотношение отечественных и зарубежных книг по странам
* Страны-лидеры по количеству упоминаемых книг (топ-5)
* Самые продуктивные страны-авторы
===Структура кода===
====Основная функция: ====
analyze_book_reviews(file_path)
Принимает путь к JSON-файлу и выполняет полный анализ данных.
====Вспомогательные структуры данных:====
* ratings_by_country: средние оценки по странам читателей
* genres_by_country: счётчики жанров по странам
* book_country_by_reader_country: распределение стран книг по странам читателей
* ratings_by_book_country: оценки по странам происхождения книг
* domestic_vs_foreign: соотношение отечественных/зарубежных книг
====Алгоритмическая сложность:====
* Временная сложность: O(n), где n — количество отзывов
* Пространственная сложность: O(k), где k — количество уникальных стран и жанров
===Использование===
====Базовое использование:====
python
python analyzer.py
====Интеграция в другие проекты:====
python
from analyzer import analyze_book_reviews

====Анализ собственного файла====
analyze_book_reviews("path/to/your/reviews.json")
====Обработка ошибок:====
=====Программа включает обработку:=====
* Отсутствия файла (FileNotFoundError)
* Общих ошибок выполнения (Exception)
====Пример вывода====

АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ

📊 ОБЩАЯ СТАТИСТИКА:
Всего отзывов: 150
Уникальных стран читателей: 12
Уникальных стран книг: 8
Всего уникальных жанров: 25

⭐ СРЕДНИЕ ОЦЕНКИ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Россия: 4.2 (45 отзывов)
США: 4.0 (32 отзыва)
Германия: 4.3 (28 отзывов)
...

📚 ЛЮБИМЫЕ ЖАНРЫ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Россия: Фэнтези (15), Детектив (12), Научная фантастика (8)
США: Роман (20), Биография (10), Драма (7)
...
Аналитические возможности
Выявление культурных предпочтений
Программа позволяет обнаруживать:
• Предпочтение отечественной литературы в разных странах
• Популярность жанров в зависимости от региона
• Различия в строгости оценок между странами
Маркетинговые применения
• Определение целевых рынков для перевода книг
• Выявление жанров, популярных в конкретных регионах
• Понимание восприятия иностранной литературы
Исследовательский потенциал
• Анализ культурного импорта/экспорта литературы
• Изучение влияния страны происхождения на оценки
• Выявление универсальных vs локальных жанровых предпочтений
Ограничения
1. Требования к данным: необходимо минимум 3 отзыва для анализа по стране
2. Жанровый анализ: жанры анализируются только при наличии ≥5 оценок
3. Формат данных: строгая зависимость от структуры JSON-файла
4. Визуализация: отсутствие графического представления данных
5. Экспорт: результаты только выводятся в консоль
Возможные расширения
Функциональные улучшения:
1. Экспорт результатов в CSV/Excel форматы
2. Визуализация данных с помощью matplotlib/plotly
3. Веб-интерфейс для интерактивного анализа
4. API-доступ к аналитическим функциям
5. Расширенная фильтрация по временным периодам
Аналитические расширения:
1. Анализ тональности текстов отзывов
2. Корреляционный анализ между жанрами и географией
3. Прогнозирование популярности книг в новых регионах
4. Кластеризация стран по читательским предпочтениям
5. Анализ временных трендов в предпочтениях
Технические улучшения:
1. Кэширование результатов для больших наборов данных
2. Инкрементальный анализ при добавлении новых отзывов
3. Поддержка нескольких форматов данных (CSV, XML, SQL)
4. Многопоточная обработка для больших объёмов данных
5. Интеграция с базами данных (SQL, NoSQL)
Заключение
Анализатор читательских предпочтений по странам представляет собой эффективный инструмент для первичного анализа географического распределения литературных предпочтений. Благодаря простоте использования и отсутствию внешних зависимостей, программа может быть легко интегрирована в исследовательские проекты или использоваться для предварительного анализа данных в издательском бизнесе.

Примечание: Для работы программы требуется файл books_reviews.json в рабочей директории с корректной структурой данных.

===Код программы на языке Python===

<syntaxhighlight lang="python">
import json
from collections import Counter, defaultdict

def analyze_book_reviews(file_path):
"""Анализ отзывов на книги"""

# Загружаем данные
with open(file_path, 'r', encoding='utf-8') as f:
data = json.load(f)

reviews = data['reviews']

print("=" * 60)
print("АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ")
print("=" * 60)

# 1. Общая статистика
print(f"\n📊 ОБЩАЯ СТАТИСТИКА:")
print(f"Всего отзывов: {len(reviews)}")
print(f"Уникальных стран читателей: {len(set(r['reviewer']['country'] for r in reviews))}")
print(f"Уникальных стран книг: {len(set(r['country'] for r in reviews))}")
print(f"Всего уникальных жанров: {len(set(g for r in reviews for g in r['genres']))}")

# 2. Средние оценки по странам читателей
print(f"\n⭐ СРЕДНИЕ ОЦЕНКИ ПО СТРАНАМ ЧИТАТЕЛЕЙ:")

ratings_by_country = defaultdict(list)
for review in reviews:
country = review['reviewer']['country']
rating = review['rating']
ratings_by_country[country].append(rating)

# Сортируем по количеству отзывов
for country, ratings in sorted(ratings_by_country.items(), key=lambda x: len(x[1]), reverse=True):
avg_rating = sum(ratings) / len(ratings)
print(f"{country}: {avg_rating:.1f} ({len(ratings)} отзывов)")

# 3. Любимые жанры по странам читателей
print(f"\n📚 ЛЮБИМЫЕ ЖАНРЫ ПО СТРАНАМ ЧИТАТЕЛЕЙ:")

genres_by_country = defaultdict(Counter)
for review in reviews:
country = review['reviewer']['country']
genres_by_country[country].update(review['genres'])

# Выводим топ стран по количеству отзывов
top_countries = sorted(ratings_by_country.items(), key=lambda x: len(x[1]), reverse=True)[:8]

for country, _ in top_countries:
if country in genres_by_country and genres_by_country[country]:
top_genres = genres_by_country[country].most_common(3)
genres_str = ", ".join([f"{g} ({c})" for g, c in top_genres])
print(f"{country}: {genres_str}")

# 4. Предпочтения по странам происхождения книг
print(f"\n🌍 ПРЕДПОЧТЕНИЯ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ КНИГ:")

# По странам читателей
book_country_by_reader_country = defaultdict(lambda: defaultdict(int))
for review in reviews:
reader_country = review['reviewer']['country']
book_country = review['country']
book_country_by_reader_country[reader_country][book_country] += 1

# Только для стран с достаточным количеством отзывов
for reader_country, book_countries in sorted(book_country_by_reader_country.items()):
total = sum(book_countries.values())
if total >= 3: # Минимум 3 отзыва для анализа
print(f"\n{reader_country} читает книги из:")
for book_country, count in sorted(book_countries.items(), key=lambda x: x[1], reverse=True)[:5]:
percentage = (count / total) * 100
print(f" {book_country}: {count} книг ({percentage:.0f}%)")

# 5. Средние оценки книг по странам происхождения
print(f"\n🏆 СРЕДНИЕ ОЦЕНКИ КНИГ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ:")

ratings_by_book_country = defaultdict(list)
for review in reviews:
book_country = review['country']
rating = review['rating']
ratings_by_book_country[book_country].append(rating)

# Сортируем по количеству книг
for country, ratings in sorted(ratings_by_book_country.items(),
key=lambda x: len(x[1]),
reverse=True)[:10]: # Топ-10 стран
avg_rating = sum(ratings) / len(ratings)
print(f"{country}: {avg_rating:.1f} ({len(ratings)} книг)")

# 6. Анализ предпочтений: отечественные vs зарубежные книги
print(f"\n📖 ОТЕЧЕСТВЕННЫЕ VS ЗАРУБЕЖНЫЕ КНИГИ:")

domestic_vs_foreign = defaultdict(lambda: {'domestic': 0, 'foreign': 0})
for review in reviews:
reader_country = review['reviewer']['country']
book_country = review['country']

if reader_country == book_country:
domestic_vs_foreign[reader_country]['domestic'] += 1
else:
domestic_vs_foreign[reader_country]['foreign'] += 1

for country, counts in sorted(domestic_vs_foreign.items()):
total = counts['domestic'] + counts['foreign']
if total >= 3: # Только для стран с достаточными данными
domestic_pct = (counts['domestic'] / total) * 100 if total > 0 else 0
foreign_pct = (counts['foreign'] / total) * 100 if total > 0 else 0
print(f"{country}: {counts['domestic']} отечественных ({domestic_pct:.0f}%), "
f"{counts['foreign']} зарубежных ({foreign_pct:.0f}%)")

# 7. Самые популярные жанры в целом
print(f"\n🔥 САМЫЕ ПОПУЛЯРНЫЕ ЖАНРЫ В ЦЕЛОМ:")

all_genres = []
for review in reviews:
all_genres.extend(review['genres'])

genre_counter = Counter(all_genres)
total_genre_mentions = sum(genre_counter.values())

print("Топ-10 жанров:")
for genre, count in genre_counter.most_common(10):
percentage = (count / total_genre_mentions) * 100
print(f" {genre}: {count} упоминаний ({percentage:.1f}%)")

# 8. Корреляция жанров и оценок
print(f"\n📈 СРЕДНИЕ ОЦЕНКИ ПО ЖАНРАМ:")

ratings_by_genre = defaultdict(list)
for review in reviews:
rating = review['rating']
for genre in review['genres']:
ratings_by_genre[genre].append(rating)

# Только жанры с минимум 5 оценками
filtered_genres = {g: r for g, r in ratings_by_genre.items() if len(r) >= 5}

if filtered_genres:
for genre, ratings in sorted(filtered_genres.items(),
key=lambda x: sum(x[1])/len(x[1]),
reverse=True)[:10]:
avg_rating = sum(ratings) / len(ratings)
print(f"{genre}: {avg_rating:.1f} ({len(ratings)} оценок)")
else:
print("Недостаточно данных для анализа по жанрам")

# 9. Страны-лидеры по количеству книг
print(f"\n🌎 СТРАНЫ-ЛИДЕРЫ ПО КОЛИЧЕСТВУ КНИГ:")

book_count_by_country = Counter(review['country'] for review in reviews)

for country, count in book_count_by_country.most_common(5):
percentage = (count / len(reviews)) * 100
print(f"{country}: {count} книг ({percentage:.1f}% от всех)")

# 10. Визуализация наиболее продуктивных стран-авторов
print(f"\n✍️ САМЫЕ ПРОДУКТИВНЫЕ СТРАНЫ-АВТОРЫ:")

# Считаем сколько книг из каждой страны
country_productivity = Counter()
for review in reviews:
country_productivity[review['country']] += 1

print("Топ-5 стран по количеству упоминаемых книг:")
for country, count in country_productivity.most_common(5):
print(f" {country}: {count} книг")

def main():
"""Основная функция"""
file_path = "books_reviews.json"

try:
analyze_book_reviews(file_path)
except FileNotFoundError:
print(f"❌ Файл {file_path} не найден!")
except Exception as e:
print(f"❌ Неожиданная ошибка при анализе: {e}")

if __name__ == "__main__":
main()
</syntaxhighlight>

Анализ читательских предпочтений по странам

2025-12-19T12:43:18Z

Петрова Ульяна: Новая страница: «==Анализатор читательских предпочтений по странам== '''Анализатор читательских предпочтений по странам''' — это программный инструмент на языке Python, предназначенный для статистического анализа отзывов на книги с учётом географического распределения ч...»

==Анализатор читательских предпочтений по странам==
'''Анализатор читательских предпочтений по странам''' — это программный инструмент на языке Python, предназначенный для статистического анализа отзывов на книги с учётом географического распределения читателей и происхождения литературных произведений. Программа выявляет закономерности в читательских предпочтениях, жанровых пристрастиях и оценках книг в зависимости от страны читателя и страны происхождения книги.

===Обзор===
Анализатор читательских предпочтений представляет собой скрипт на Python, который обрабатывает JSON-файл с отзывами на книги и предоставляет многоуровневую аналитику по географическому распределению читательских предпочтений. Программа использует встроенные библиотеки Python (json, collections) для обработки данных и не требует установки дополнительных зависимостей.
===Требования к данным===
====Формат входного файла====
Программа ожидает файл books_reviews.json со следующей структурой:

json
{
"reviews": [
{
"rating": 4.5,
"genres": ["Фэнтези", "Приключения"],
"country": "США",
"reviewer": {
"country": "Россия"
}
},
...
]
}

===Поля данных:===
* rating (float): оценка книги (обычно от 1.0 до 5.0)
* genres (list): список жанров книги
* country (string): страна происхождения книги
* reviewer.country (string): страна читателя, оставившего отзыв

===Функциональные возможности===
1. Общая статистика
* Общее количество отзывов
* Количество уникальных стран читателей
* Количество уникальных стран книг
* Количество уникальных жанров
2. Анализ оценок
* Средние оценки по странам читателей (сортировка по количеству отзывов)
* Средние оценки книг по странам происхождения (топ-10)
* Средние оценки по жанрам (для жанров с ≥5 оценками)
3. Жанровые предпочтения
* Любимые жанры по странам читателей (топ-3 для 8 самых активных стран)
* Самые популярные жанры в целом (топ-10)
* Корреляция жанров и оценок
4. Географический анализ
* Предпочтения по странам происхождения книг для каждой страны читателей
* Соотношение отечественных и зарубежных книг по странам
* Страны-лидеры по количеству упоминаемых книг (топ-5)
* Самые продуктивные страны-авторы
===Структура кода===
====Основная функция: ====
analyze_book_reviews(file_path)
Принимает путь к JSON-файлу и выполняет полный анализ данных.
====Вспомогательные структуры данных:====
* ratings_by_country: средние оценки по странам читателей
* genres_by_country: счётчики жанров по странам
* book_country_by_reader_country: распределение стран книг по странам читателей
* ratings_by_book_country: оценки по странам происхождения книг
* domestic_vs_foreign: соотношение отечественных/зарубежных книг
====Алгоритмическая сложность:====
* Временная сложность: O(n), где n — количество отзывов
* Пространственная сложность: O(k), где k — количество уникальных стран и жанров
===Использование===
====Базовое использование:====
python
python analyzer.py
====Интеграция в другие проекты:====
python
from analyzer import analyze_book_reviews

====Анализ собственного файла====
analyze_book_reviews("path/to/your/reviews.json")
====Обработка ошибок:====
=====Программа включает обработку:=====
* Отсутствия файла (FileNotFoundError)
* Общих ошибок выполнения (Exception)
====Пример вывода====

============================================================
АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ
============================================================

📊 ОБЩАЯ СТАТИСТИКА:
Всего отзывов: 150
Уникальных стран читателей: 12
Уникальных стран книг: 8
Всего уникальных жанров: 25

⭐ СРЕДНИЕ ОЦЕНКИ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Россия: 4.2 (45 отзывов)
США: 4.0 (32 отзыва)
Германия: 4.3 (28 отзывов)
...

📚 ЛЮБИМЫЕ ЖАНРЫ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Россия: Фэнтези (15), Детектив (12), Научная фантастика (8)
США: Роман (20), Биография (10), Драма (7)
...
Аналитические возможности
Выявление культурных предпочтений
Программа позволяет обнаруживать:
• Предпочтение отечественной литературы в разных странах
• Популярность жанров в зависимости от региона
• Различия в строгости оценок между странами
Маркетинговые применения
• Определение целевых рынков для перевода книг
• Выявление жанров, популярных в конкретных регионах
• Понимание восприятия иностранной литературы
Исследовательский потенциал
• Анализ культурного импорта/экспорта литературы
• Изучение влияния страны происхождения на оценки
• Выявление универсальных vs локальных жанровых предпочтений
Ограничения
1. Требования к данным: необходимо минимум 3 отзыва для анализа по стране
2. Жанровый анализ: жанры анализируются только при наличии ≥5 оценок
3. Формат данных: строгая зависимость от структуры JSON-файла
4. Визуализация: отсутствие графического представления данных
5. Экспорт: результаты только выводятся в консоль
Возможные расширения
Функциональные улучшения:
1. Экспорт результатов в CSV/Excel форматы
2. Визуализация данных с помощью matplotlib/plotly
3. Веб-интерфейс для интерактивного анализа
4. API-доступ к аналитическим функциям
5. Расширенная фильтрация по временным периодам
Аналитические расширения:
1. Анализ тональности текстов отзывов
2. Корреляционный анализ между жанрами и географией
3. Прогнозирование популярности книг в новых регионах
4. Кластеризация стран по читательским предпочтениям
5. Анализ временных трендов в предпочтениях
Технические улучшения:
1. Кэширование результатов для больших наборов данных
2. Инкрементальный анализ при добавлении новых отзывов
3. Поддержка нескольких форматов данных (CSV, XML, SQL)
4. Многопоточная обработка для больших объёмов данных
5. Интеграция с базами данных (SQL, NoSQL)
Заключение
Анализатор читательских предпочтений по странам представляет собой эффективный инструмент для первичного анализа географического распределения литературных предпочтений. Благодаря простоте использования и отсутствию внешних зависимостей, программа может быть легко интегрирована в исследовательские проекты или использоваться для предварительного анализа данных в издательском бизнесе.

Примечание: Для работы программы требуется файл books_reviews.json в рабочей директории с корректной структурой данных.

===Код программы на языке Python===

<syntaxhighlight lang="python">
import json
from collections import Counter, defaultdict

def analyze_book_reviews(file_path):
"""Анализ отзывов на книги"""

# Загружаем данные
with open(file_path, 'r', encoding='utf-8') as f:
data = json.load(f)

reviews = data['reviews']

print("=" * 60)
print("АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ")
print("=" * 60)

# 1. Общая статистика
print(f"\n📊 ОБЩАЯ СТАТИСТИКА:")
print(f"Всего отзывов: {len(reviews)}")
print(f"Уникальных стран читателей: {len(set(r['reviewer']['country'] for r in reviews))}")
print(f"Уникальных стран книг: {len(set(r['country'] for r in reviews))}")
print(f"Всего уникальных жанров: {len(set(g for r in reviews for g in r['genres']))}")

# 2. Средние оценки по странам читателей
print(f"\n⭐ СРЕДНИЕ ОЦЕНКИ ПО СТРАНАМ ЧИТАТЕЛЕЙ:")

ratings_by_country = defaultdict(list)
for review in reviews:
country = review['reviewer']['country']
rating = review['rating']
ratings_by_country[country].append(rating)

# Сортируем по количеству отзывов
for country, ratings in sorted(ratings_by_country.items(), key=lambda x: len(x[1]), reverse=True):
avg_rating = sum(ratings) / len(ratings)
print(f"{country}: {avg_rating:.1f} ({len(ratings)} отзывов)")

# 3. Любимые жанры по странам читателей
print(f"\n📚 ЛЮБИМЫЕ ЖАНРЫ ПО СТРАНАМ ЧИТАТЕЛЕЙ:")

genres_by_country = defaultdict(Counter)
for review in reviews:
country = review['reviewer']['country']
genres_by_country[country].update(review['genres'])

# Выводим топ стран по количеству отзывов
top_countries = sorted(ratings_by_country.items(), key=lambda x: len(x[1]), reverse=True)[:8]

for country, _ in top_countries:
if country in genres_by_country and genres_by_country[country]:
top_genres = genres_by_country[country].most_common(3)
genres_str = ", ".join([f"{g} ({c})" for g, c in top_genres])
print(f"{country}: {genres_str}")

# 4. Предпочтения по странам происхождения книг
print(f"\n🌍 ПРЕДПОЧТЕНИЯ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ КНИГ:")

# По странам читателей
book_country_by_reader_country = defaultdict(lambda: defaultdict(int))
for review in reviews:
reader_country = review['reviewer']['country']
book_country = review['country']
book_country_by_reader_country[reader_country][book_country] += 1

# Только для стран с достаточным количеством отзывов
for reader_country, book_countries in sorted(book_country_by_reader_country.items()):
total = sum(book_countries.values())
if total >= 3: # Минимум 3 отзыва для анализа
print(f"\n{reader_country} читает книги из:")
for book_country, count in sorted(book_countries.items(), key=lambda x: x[1], reverse=True)[:5]:
percentage = (count / total) * 100
print(f" {book_country}: {count} книг ({percentage:.0f}%)")

# 5. Средние оценки книг по странам происхождения
print(f"\n🏆 СРЕДНИЕ ОЦЕНКИ КНИГ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ:")

ratings_by_book_country = defaultdict(list)
for review in reviews:
book_country = review['country']
rating = review['rating']
ratings_by_book_country[book_country].append(rating)

# Сортируем по количеству книг
for country, ratings in sorted(ratings_by_book_country.items(),
key=lambda x: len(x[1]),
reverse=True)[:10]: # Топ-10 стран
avg_rating = sum(ratings) / len(ratings)
print(f"{country}: {avg_rating:.1f} ({len(ratings)} книг)")

# 6. Анализ предпочтений: отечественные vs зарубежные книги
print(f"\n📖 ОТЕЧЕСТВЕННЫЕ VS ЗАРУБЕЖНЫЕ КНИГИ:")

domestic_vs_foreign = defaultdict(lambda: {'domestic': 0, 'foreign': 0})
for review in reviews:
reader_country = review['reviewer']['country']
book_country = review['country']

if reader_country == book_country:
domestic_vs_foreign[reader_country]['domestic'] += 1
else:
domestic_vs_foreign[reader_country]['foreign'] += 1

for country, counts in sorted(domestic_vs_foreign.items()):
total = counts['domestic'] + counts['foreign']
if total >= 3: # Только для стран с достаточными данными
domestic_pct = (counts['domestic'] / total) * 100 if total > 0 else 0
foreign_pct = (counts['foreign'] / total) * 100 if total > 0 else 0
print(f"{country}: {counts['domestic']} отечественных ({domestic_pct:.0f}%), "
f"{counts['foreign']} зарубежных ({foreign_pct:.0f}%)")

# 7. Самые популярные жанры в целом
print(f"\n🔥 САМЫЕ ПОПУЛЯРНЫЕ ЖАНРЫ В ЦЕЛОМ:")

all_genres = []
for review in reviews:
all_genres.extend(review['genres'])

genre_counter = Counter(all_genres)
total_genre_mentions = sum(genre_counter.values())

print("Топ-10 жанров:")
for genre, count in genre_counter.most_common(10):
percentage = (count / total_genre_mentions) * 100
print(f" {genre}: {count} упоминаний ({percentage:.1f}%)")

# 8. Корреляция жанров и оценок
print(f"\n📈 СРЕДНИЕ ОЦЕНКИ ПО ЖАНРАМ:")

ratings_by_genre = defaultdict(list)
for review in reviews:
rating = review['rating']
for genre in review['genres']:
ratings_by_genre[genre].append(rating)

# Только жанры с минимум 5 оценками
filtered_genres = {g: r for g, r in ratings_by_genre.items() if len(r) >= 5}

if filtered_genres:
for genre, ratings in sorted(filtered_genres.items(),
key=lambda x: sum(x[1])/len(x[1]),
reverse=True)[:10]:
avg_rating = sum(ratings) / len(ratings)
print(f"{genre}: {avg_rating:.1f} ({len(ratings)} оценок)")
else:
print("Недостаточно данных для анализа по жанрам")

# 9. Страны-лидеры по количеству книг
print(f"\n🌎 СТРАНЫ-ЛИДЕРЫ ПО КОЛИЧЕСТВУ КНИГ:")

book_count_by_country = Counter(review['country'] for review in reviews)

for country, count in book_count_by_country.most_common(5):
percentage = (count / len(reviews)) * 100
print(f"{country}: {count} книг ({percentage:.1f}% от всех)")

# 10. Визуализация наиболее продуктивных стран-авторов
print(f"\n✍️ САМЫЕ ПРОДУКТИВНЫЕ СТРАНЫ-АВТОРЫ:")

# Считаем сколько книг из каждой страны
country_productivity = Counter()
for review in reviews:
country_productivity[review['country']] += 1

print("Топ-5 стран по количеству упоминаемых книг:")
for country, count in country_productivity.most_common(5):
print(f" {country}: {count} книг")

def main():
"""Основная функция"""
file_path = "books_reviews.json"

try:
analyze_book_reviews(file_path)
except FileNotFoundError:
print(f"❌ Файл {file_path} не найден!")
except Exception as e:
print(f"❌ Неожиданная ошибка при анализе: {e}")

if __name__ == "__main__":
main()
</syntaxhighlight>

Участник:Петрова Ульяна

2025-12-19T12:20:25Z

Петрова Ульяна:

{{UserMGPU
|Field_of_knowledge=Экономика, Урбанистика, Музыка
|Position=Бакалавриат
|Profile=Информатика, Английский язык
|PedDirection=Да
|Working_On=Анализ читательских предпочтений по странам
}}
[[Категория:UserMGPU]]
[[Категория:ИНФА-221]]

Обсуждение участника:Петрова Ульяна

2025-12-17T11:51:06Z

Петрова Ульяна: /* АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ */ новая тема

== Статьи об искусстве ==

======================================================================
АНАЛИЗ СТАТЕЙ ВИКИПЕДИИ ОБ ИСКУССТВЕ
======================================================================

ОБЩАЯ СТАТИСТИКА:
Всего проанализировано статей: 300
Среднее количество слов в статье: 1314.5

РАСПРЕДЕЛЕНИЕ ПО ТЕМАТИКАМ:
другое: 280 статей (93.3%)
кино: 3 статей (1.0%)
изобразительное: 17 статей (5.7%)

КАЧЕСТВО СТАТЕЙ:
Отличная: 22 статей (7.3%)
Средняя: 84 статей (28.0%)
Хорошая: 151 статей (50.3%)
Базовая: 43 статей (14.3%)

ТОП-10 КЛЮЧЕВЫХ СЛОВ:
искусства: 1820 упоминаний
искусство: 1422 упоминаний
году: 1158 упоминаний
живописи: 1007 упоминаний
века: 945 упоминаний
также: 926 упоминаний
были: 820 упоминаний
скульптуры: 611 упоминаний
была: 589 упоминаний
живопись: 579 упоминаний

ТОП-5 ЛУЧШИХ СТАТЕЙ:
1. Искусство
Оценка: 80.0% | Уровень: Отличная | Тема: другое

2. Конструктивизм (искусство)
Оценка: 80.0% | Уровень: Отличная | Тема: другое

3. Театр
Оценка: 80.0% | Уровень: Отличная | Тема: другое

4. Возрождение
Оценка: 80.0% | Уровень: Отличная | Тема: другое

5. Искусство Китая
Оценка: 80.0% | Уровень: Отличная | Тема: другое

======================================================================
ДЕТАЛЬНЫЙ АНАЛИЗ ПЕРВЫХ 3 СТАТЕЙ:
======================================================================

СТАТЬЯ 1: Искусство
URL: https://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%BE
Уровень: Отличная
Оценка качества: 80.0%
Основная тема: другое
Количество слов: 4911
Количество разделов: 12
Ключевые слова искусства: художник, произведение, искусство, музей, творчество

--------------------------------------------------

СТАТЬЯ 2: Актёрское искусство
URL: https://ru.wikipedia.org/wiki/%D0%90%D0%BA%D1%82%D1%91%D1%80%D1%81%D0%BA%D0%BE%D0%B5_%D0%B8%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%BE
Уровень: Средняя
Оценка качества: 50.0%
Основная тема: другое
Количество слов: 214
Количество разделов: 6
Ключевые слова искусства: литература

--------------------------------------------------

СТАТЬЯ 3: Искусство для искусства
URL: https://ru.wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%BE_%D0%B4%D0%BB%D1%8F_%D0%B8%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B0
Уровень: Хорошая
Оценка качества: 70.0%
Основная тема: другое
Количество слов: 600
Количество разделов: 5
Ключевые слова искусства: художник, произведение, искусство, выставка, стиль

--------------------------------------------------

== АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ ==

============================================================
АНАЛИЗ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ ПО СТРАНАМ
============================================================

ОБЩАЯ СТАТИСТИКА:
Всего отзывов: 113
Уникальных стран читателей: 12
Уникальных стран книг: 14
Всего уникальных жанров: 43

СРЕДНИЕ ОЦЕНКИ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Великобритания: 8.7 (26 отзывов)
США: 8.6 (25 отзывов)
Россия: 8.6 (22 отзывов)
Испания: 8.8 (19 отзывов)
Франция: 8.4 (9 отзывов)
Новая Зеландия: 9.2 (4 отзывов)
Германия: 8.5 (2 отзывов)
Италия: 8.5 (2 отзывов)
Австралия: 8.0 (1 отзывов)
Япония: 8.0 (1 отзывов)
Канада: 9.0 (1 отзывов)
Швеция: 9.0 (1 отзывов)

ЛЮБИМЫЕ ЖАНРЫ ПО СТРАНАМ ЧИТАТЕЛЕЙ:
Великобритания: классика (10), приключения (9), фэнтези (7)
США: приключения (8), классика (7), фэнтези (6)
Россия: классика (10), драма (10), приключения (4)
Испания: классика (11), драма (5), психологическая драма (4)
Франция: драма (4), приключения (3), роман (2)
Новая Зеландия: драма (2), триллер (1), мистика (1)
Германия: детектив (1), мистика (1), военная драма (1)
Италия: приключения (1), мистика (1), классика (1)

ПРЕДПОЧТЕНИЯ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ КНИГ:

Великобритания читает книги из:
Великобритания: 12 книг (46%)
США: 8 книг (31%)
Франция: 2 книг (8%)
Россия: 2 книг (8%)
Колумбия: 1 книг (4%)

Испания читает книги из:
США: 6 книг (32%)
Россия: 3 книг (16%)
Германия: 2 книг (11%)
Италия: 2 книг (11%)
Испания: 1 книг (5%)

Новая Зеландия читает книги из:
Россия: 3 книг (75%)
США: 1 книг (25%)

Россия читает книги из:
США: 9 книг (41%)
Россия: 9 книг (41%)
Германия: 2 книг (9%)
Великобритания: 1 книг (5%)
Франция: 1 книг (5%)

США читает книги из:
США: 21 книг (84%)
Великобритания: 3 книг (12%)
Колумбия: 1 книг (4%)

Франция читает книги из:
Франция: 4 книг (44%)
США: 3 книг (33%)
Россия: 1 книг (11%)
Германия: 1 книг (11%)

СРЕДНИЕ ОЦЕНКИ КНИГ ПО СТРАНАМ ПРОИСХОЖДЕНИЯ:
США: 8.6 (48 книг)
Россия: 8.7 (18 книг)
Великобритания: 9.0 (17 книг)
Франция: 8.4 (8 книг)
Германия: 8.5 (8 книг)
Италия: 8.2 (4 книг)
Колумбия: 9.5 (2 книг)
Швеция: 9.0 (2 книг)
Австралия: 8.0 (1 книг)
Испания: 8.0 (1 книг)

ОТЕЧЕСТВЕННЫЕ VS ЗАРУБЕЖНЫЕ КНИГИ:
Великобритания: 12 отечественных (46%), 14 зарубежных (54%)
Испания: 1 отечественных (5%), 18 зарубежных (95%)
Новая Зеландия: 0 отечественных (0%), 4 зарубежных (100%)
Россия: 9 отечественных (41%), 13 зарубежных (59%)
США: 21 отечественных (84%), 4 зарубежных (16%)
Франция: 4 отечественных (44%), 5 зарубежных (56%)

САМЫЕ ПОПУЛЯРНЫЕ ЖАНРЫ В ЦЕЛОМ:
Топ-10 жанров:
классика: 43 упоминаний (18.9%)
приключения: 30 упоминаний (13.2%)
драма: 28 упоминаний (12.3%)
фэнтези: 18 упоминаний (7.9%)
роман: 10 упоминаний (4.4%)
психологическая драма: 8 упоминаний (3.5%)
триллер: 7 упоминаний (3.1%)
мистика: 6 упоминаний (2.6%)
дистопия: 5 упоминаний (2.2%)
психологический роман: 5 упоминаний (2.2%)

📈 СРЕДНИЕ ОЦЕНКИ ПО ЖАНРАМ:
дистопия: 9.4 (5 оценок)
психологический роман: 9.2 (5 оценок)
фантастика: 9.2 (5 оценок)
фэнтези: 8.9 (18 оценок)
психологическая драма: 8.9 (8 оценок)
классика: 8.9 (43 оценок)
триллер: 8.7 (7 оценок)
приключения: 8.6 (30 оценок)
драма: 8.6 (28 оценок)
роман: 8.5 (10 оценок)

СТРАНЫ-ЛИДЕРЫ ПО КОЛИЧЕСТВУ КНИГ:
США: 48 книг (42.5% от всех)
Россия: 18 книг (15.9% от всех)
Великобритания: 17 книг (15.0% от всех)
Франция: 8 книг (7.1% от всех)
Германия: 8 книг (7.1% от всех)

САМЫЕ ПРОДУКТИВНЫЕ СТРАНЫ-АВТОРЫ:
Топ-5 стран по количеству упоминаемых книг:
США: 48 книг
Россия: 18 книг
Великобритания: 17 книг
Франция: 8 книг
Германия: 8 книг

Обсуждение участника:Петрова Ульяна

2025-12-17T11:30:44Z

Петрова Ульяна: /* Статьи об искусстве */ новая тема

Участник:Петрова Ульяна

2025-12-17T10:17:40Z

Петрова Ульяна:

{{UserMGPU
|Field_of_knowledge=Экономика, Урбанистика, Музыка
|Position=Бакалавриат
|Profile=Информатика, Английский язык
|PedDirection=Да
}}
[[Категория:UserMGPU]]
[[Категория:ИНФА-221]]

Участник:Петрова Ульяна

2025-12-17T10:17:21Z

Петрова Ульяна: Новая страница: «Категория:UserMGPU Категория:ИНФА-221»

[[Категория:UserMGPU]]
[[Категория:ИНФА-221]]